推荐系统
sunflowers11
这个作者很懒,什么都没留下…
展开
-
打卡5-GBDT+LR
2014年, Facebook提出了一种利用GBDT自动进行特征筛选和组合, 进而生成新的离散特征向量, 再把该特征向量当做LR模型的输入, 来产生最后的预测结果, 这就是著名的GBDT+LR模型了。GBDT+LR 使用最广泛的场景是CTR点击率预估,即预测当给用户推送的广告会不会被用户点击。 训练时,GBDT 建树的过程相当于自动进行的特征组合和离散化,然后从根结点到叶子节点的这条路径就可以看成是不同特征进行的特征组合,用叶子节点可以唯一的表示这条路径,并作为一个离散特征传入 LR ...原创 2020-10-30 23:24:56 · 112 阅读 · 0 评论 -
打卡4-Wide&Deep
基本介绍 Memorization 和 Generalization是推荐系统很常见的两个概念,其中Memorization指的是通过用户与商品的交互信息矩阵学 习规则,而Generalization则是泛化规则。我们前面介绍的FM算法就是很好的Generalization的例子,它可以根据交互信息学 习到一个比较短的矩阵 ,其中 储存着每个用户特征的压缩表示(embedding),而协同过滤与SVD都是靠记住用户 之前与哪些物品发生了交互从而推断出的推荐结果,这两者推荐结果当然存在一些差...原创 2020-10-27 23:45:22 · 126 阅读 · 0 评论 -
打卡3-FM模型
FM模型的引入 LR本质是一个线性模型,每个特征对最终输出结果独立,需要手动特征交叉,比较麻烦。由于LR的缺陷,考虑加上二阶交叉项,但是二阶交叉项只有在两个特征均不为0的时候才会生效。于是FM模型就出现了,如下所示: FM公式的改进 FM模型的应用 1. CTR预估 2.由于FM模型是利用两个特征的Embedding做内积得到二阶特征交叉的权重,那么我们可以将训练好的FM特征取出离线存 好,之后用来做KNN向量检索 ...原创 2020-10-25 23:31:16 · 123 阅读 · 1 评论 -
打卡2-协同过滤
基本介绍 现有的协同过滤主要有以下两种: 基于用户的协同过滤算法(UserCF):给用户推荐和该用户相似的其他用户喜欢的物品 基于物品的协同过滤算法(ItemCF):给用户推荐和他之前喜欢的物品相似的物品 这两个算法可以使用两张图来表示,下图左是UserCF,图右是ItemCF。 UserCF 算法流程 1. 计算用户的相似度,获取与该用户最相似的用户集 2. 将用户集中用户喜欢的,并且目标用户没有见过的物品推荐给目标用户 缺点 1. 由于数据稀疏性,可能无法找到与一个用户偏好..原创 2020-10-22 23:43:57 · 624 阅读 · 1 评论 -
打卡1-推荐系统简介
什么是推荐系统 推荐系统涉及两方,东西和人。推荐系统的功能就是东西和人进行匹配的过程。 推荐系统的衡量指标 推荐系统有多方面的指标,涉及用户满意度、准确率、覆盖率、多样性、新颖性。 现有推荐系统的架构 现有的推荐系统主要分为两层:召回层和排序层。召回层一般根据业务使用一些简单的规则从海量的item中进行召回,排序层对召回的item进行一个排序。 随着深度学习的兴起,embedding在推荐系统也大放异彩,被广泛使用,包括召回层和排序层都被在使用。 ...原创 2020-10-19 23:36:33 · 78 阅读 · 0 评论